Premiers pas en WebScraping

Introduction à la collecte automatique de données du Web

Léa Christophe (Université Paris 1 Panthéon-Sorbonne, UMR Géographie-cités)

Hugues Pecout (CNRS, UMR Géographie-cités)

Robin Cura (CNRS, UMR PRODIG)

Cet article peut être utilisé pour une initiation aux bases de la collecte automatique de données du Web avec R. De nombreux aspects et méthodes de webscraping qui ne sont pas abordés dans ce document sont présenté sur ce site web associé plus complet et approfondie sur le webscraping avec R et Python.

Introduction

Le web scraping, ou extraction de données sur le web, est une technique qui consiste à extraire de manière automatisée des informations à partir de sites web. En d’autres termes, c’est comme si vous utilisiez un robot pour récupérer des données à partir de pages web, plutôt que de le faire manuellement.

En sciences humaines et sociales, le web scraping peut être utilisé pour collecter des données pertinentes sur des sites web, forums, blogs, des réseaux sociaux, ou autres sources en ligne. Cette méthode peut être particulièrement utile pour analyser des tendances, des opinions, des dynamiques, ou tout simplement pour constituer une base de données à partir de plusieurs sources web. L’utilisation de R pour le web scraping permet d’automatiser ces processus et d’analyser les données extraites de manière efficace.

Le Web scraping permet d’extraire des informations spécifiques d’une page web en analysant sa structure HTML et en extrayant uniquement les éléments pertinents. Cette pratique demande ainsi quelques connaissances techniques en matière de web, de langague de balisage HTML et de langage CSS, qui permettent respectivement de structurer une page web et de définir l’apparence et la mise en forme des différents éléments du document.

Au delà de présenter le web scraping avec R, cet article aborde dans un premier temps les connaisances indispensables à la mise en place d’une collecte de données automatisée.

Le Web scraping regroupe différentes techniques plus ou moins complexes. Cet article, qui est une inititation à la pratique de la collecte automatique de données présente le cas d’utilisation le plus simple. Pour aller plus loin et se former à des techniques plus avancées, vous pouvez consulter ce support de formation plus détaillé : https://webscraping.gitpages.huma-num.fr/website/

1 Bases techniques

L’extraction automatisée de données du web requiert des prérequis indispensables : certaines connaissances spécifiques liées à la structure d’une page web et une compréhension des principes techniques sous-jacents. Vous devez ainsi acquérir une connaissance du langage HTML (balises) et une familiarité avec le CSS (sélecteurs) pour identifier, cibler et extraire les éléments d’une page web.

1.1 Le langage HTML

Le langage HTML (HyperText Markup Language) est un dérivé du XML (eXtensible Markup Language). Le XML est un langage de balisage flexible qui permet de définir des règles spécifiques pour structurer et stocker des données. Il est utilisé dans une variété de domaines, notamment pour l’échange de données entre applications. Par exemple, voici un document XML simple représentant des informations sur un livre :

<Book>
  <Title>Le Seigneur des Anneaux</Title>
  <Author>J.R.R. Tolkien</Author>
  <Genre>Fantasy</Genre>
  <Year>1954</Year>
</Book>

Le langage HTML, sous-langage du XML, partage de nombreuses caractéristiques avec ce langage, mais il est spécifiquement conçu pour structurer et organiser le contenu des pages web. Le HTML utilise une série de balises (tags) pour définir la structure et le contenu d’une page web, ce qui permet aux navigateurs web de l’afficher correctement pour les utilisateurs.

1.1.1 Les balises

Il n’y a pas de nombre fixe de balises HTML, car de nouvelles balises peuvent être introduites avec les versions futures du langage HTML. Cependant, il existe un ensemble de balises HTML standard définies dans les spécifications du W3C (World Wide Web Consortium¹). Pour obtenir la liste la plus à jour des balises HTML, vous pouvez consulter la documentation officielle du W3C.

Chaque balise est entourée des symboles < et > et peut contenir des attributs qui spécifient des propriétés supplémentaires pour l’élément. Si aucune balise n’est obligatoire dans une page HTML, il est de convention d’avoir la structure de base suivante :

<!DOCTYPE html>
<html>
<head>
    <title>Titre de la page</title>
</head>
<body>

    <!-- Contenu de la page -->
    
</body>
</html>

<!DOCTYPE html> : En début du document, indique au navigateur qu’il s’agit d’une page HTML5².
<html> : Englobe tout le contenu de la page HTML. Définit le début et la fin du document HTML.
<head> : Contient les métadonnées de la page, des liens vers des fichiers annexes (CSS, javascript…), etc.
<title> : Pour définir le titre de la page qui apparaîtra dans la barre de titre du navigateur.
<body> : Contient tout le contenu visible de la page, tel que le texte, les images, les liens, les tableaux, etc.

Dans la majorité des cas, on utilise une balise de fermeture pour indiquer la fin de l’élémént. Une balise de fermeture présente un / avant le nom de la balise :

<body>

    <!-- Contenu de la page -->
    
</body>

Le body peut contenir toute une variété de balises prédéfinies pour structurer et ajouter différents types de contenu dans la page web. Voici quelques balises indispensables à connaitre :

<h1>, <h2>, …, <h6> : titres de différents niveaux,
<p> : paragraphe,
<a> : lien hypertexte,
<img> : image,
<ul>, <ol>, <li> : listes non ordonnées et ordonnées,
<table>, <tr>, <td> : tableau avec des lignes et des cellules,
<div> : section (type bloc),
<span> : section (type “inline”).

Exemple d’utilisation de la balise p (paragraphe) :

<body>

<p>Ceci est un paragraphe en langage HTML</p>

</body>

Dans cet exemple, les balises <p> et </p> permettent de créer un paragraphe dont le contenu textuel est “Ceci est un paragraphe en langage HTML”.

Les différentes balises permettent ainsi de structurer, hierarchiser et organiser le contenu d’une page web. Elles peuvent s’emboiter indéfiniment :

<body>
  
<div>
  
<p>Un paragraphe en <a href="https://fr.wikipedia.org/wiki/HTML5">langage HTML</a></p>

</div>  
  
  
</body>

Voici le rendu graphique dans un naviguateur web du code HTMl ci-dessus :

1.1.2 Les attributs

Ces balises hiérarchisées et potentiellement regroupées, peuvent être renseignées d’attributs qui permettent de spécifier des informations supplémentaires et jouer sur leur mise en forme. Exemple d’attributs :
- id : identifiants,
- class : classes,
- href : liens,
- etc.

Ces attributs sont à spécifier dans les balises d’ouverture :

<body>

<div id="debut_doc">
    <h1 class="categorie">Tous les articles</h1>
</div>

<div id="Liste_ref">
    <h2 class="article">Titre article</h2>
    <p class="summary">Résumé de l'article...</p>
    <a href="https://www.article.org">Intégralité de l'article</a>
  
    <h2 class="article">Titre article bis</h2>
    <p class="summary">Résumé de l'article bis...</p>
    <a href="https://www.article_bis.org">Intégralité de l'article bis</a>
</div>

</body>

L’organisation segmentée du contenu via les balises div ou span ainsi que les différents attributs spécifiés permettent la mise en forme et le paramétrage des éléments. Les attributs des balises peuvent être associés à une mise en forme (couleur, taille, position, etc.) à l’aide du langage CSS (cf. partie suivante). Mais il s’agit également d’éléments cruciaux pour la collecte automatisée de données sur le web, car il permettent de cibler précisément des éléments.

Dans l’exemple ci-dessus, il est ainsi possible de récupérer toutes les URLs (Uniform Resource Locator) des articles en ciblant le contenu de tous les attributs href des balises <a> situés dans les <div> ayant pour identifiant “Liste_ref”.

1.2 Le langage CSS

Le CSS, ou Cascading Style Sheets (feuilles de style en cascade), est un langage de programmation utilisé pour décrire l’apparence et la mise en forme des documents HTML et XML. Il permet de contrôler l’apparence visuelle des différents éléments de pages web (taille, position, couleur, police, marges, etc.) via les sélecteurs CSS.

Le CSS peut être incorporé de différentes manières :

1. Directement dans les balises à l’aide de l’attribut style :

page.html

<h1 style ="font-size:40px;color:#f03b35;text-align:center;">Titre principal</h1>

2. Dans le document HTML, via la balise <style> adaptée à cet effet :

page.html

<style>

h1 {
color: #f03b35;
font-size: 40px;
text-align: center;
}
    
</style>

<body>
<h1>Titre principal</h1>
</body>

3. Dans une feuille de style externe (fichier texte avec l’extension .css). Cette dernière méthode est à privilégier car la séparation du contenu et la mise en forme facilite la mise à jour des styles :

page.html

<body>

<h1>Titre principal</h1>

</body>

style.css

h1 { 
color: #f03b35;
font-size: 40px;
text-align:center;
}

À chaque fois, le rendu graphique dans un naviguateur web sera le suivant :

1.2.1 Les sélecteurs CSS simples

Bien qu’une connaissance approfondie du CSS ne soit pas nécessaire le scraping, il est important de connaître les sélecteurs CSS. Leur utilisation est précieuse pour cibler des données de manière détaillée et ainsi optimiser la collecte.

Plusieurs sélecteurs CSS permettent de cibler et styliser les différentes balises HTML :

1. Les sélecteurs d’éléments : permet de cibler tous les éléments d’un même type.

page.html

<h2>Titre de niveau 2</h2>

style.css

h2 { font-size: 20px; }

2. Les sélecteurs d’identifiants : permet de cibler un élément spécifique par son identifiant (id).

page.html

<div id="example">  </div>

style.css

#example { background-color: #f2f2f2; }

3. Les sélecteurs de classes : permet de cibler les éléments ayant une classe spécifique (class).

page.html

<p class="summary">Ceci est un résumé</p>

style.css

.summary { font-family: Arial, sans-serif; }

4. Les sélecteurs d’attributs : cible les éléments ayant un attribut spécifique. Exemple : l’attribut href (lien cliquable)

page.html

<a href="https://www.example.org">Lien</a>

style.css

a[href] { color: purple; }

Il est possible de préciser sa cible en indiquant une valeur pour l’attribut.

a[href="https://example.org"] { color: purple;}

1.2.2 Les sélecteurs complexes et combinateurs

Le CSS met également à disposition des sélecteurs complexes et combinateurs que l’on peut utiliser pour cibler des contenus de manière très précise. Quelques exemples :

A. Les sélecteurs descendants : cible les éléments qui sont descendants d’un autre élément.

page.html

<div id="liste_ref">

  
    <p class="summary">Ceci est un résumé</p>
    
  
</div>

style.css

#liste_ref p .summary { font-size: 12px; }

Cible tous les paragraphes de la classe summary, positionnés dans l’élément ayant pour identifiant liste_ref.

B. Les sélecteurs de voisin direct : cible les nœuds qui suivent immédiatement un élément

page.html

<div id="liste_ref">

    <h2>Titre de l'article</h2>
    <p class="summary">Ceci est un résumé</p>
    
    <h2>Titre de l'article</h2>
    <p class="summary">Ceci est un résumé</p>
        
</div>

style.css

#liste_ref + h2 { font-size: 14px; }

Cible uniquement la première balise h2 de l’élément ayant pour identifiant liste_ref.

1.2.3 Exemple pratique

Pour mieux comprendre l’utilisation et le fonctionnement du HTML et du CSS, vous pouvez vous exercer à la pratique de ces deux langages à partir de cet exemple simple mis à disposition en téléchargement :

exo_HTML.zip

Une fois téléchargé, décompressez le répertoire qui contient deux fichiers : page.hmtl et style.CSS.

Un fichier HTML peut être interprété (mis en page) par n’importe quel navigateur (Firefox, Google Chrome, Microsoft Edge, ect…). Ouvrez le fichier page.html avec un naviguateur. Aucune connexion internet n’est nécessaire.

Ouvrez les deux fichiers (page.hmtl et style.CSS) avec un editeur de fichier texte (ex : bloc-note, Rstudio, Notepad++…).

page.html

<!DOCTYPE html>
<html>
  <head>
    <title>Ma Page HTML</title>
      <meta charset="utf-8" />
      <link rel="stylesheet" href="style.css">
  </head>
  
  <body>
  <h1>Un titre de niveau 1</h1>
  <p>Un premier petit paragraphe.</p>
  <h2>Un titre de niveau 2</h2>
  <p>Un autre paragraphe contenant un lien pour aller sur le site 
  <a href="https://elementr.netlify.app/">d'ElementR</a>.
  </p>
        
  </body>
</html>

style.css

h1 { 
color: #f03b35;
font-size: 40px;
text-align:center;
}

Ajoutez et/ou modifiez du contenu (balise) dans le code source du fichier page.html. Enregistrez le fichier réaffichez (ou raffraichissez avec la touche F5) la page HTML dans le naviguateur pour apercevoir la nouvelle mise en page.
Ajoutez et/ou modifiez du contenu dans le code source du fichier style.css. Enregistrez le fichier réaffichez la page HTML (ou raffraichissez la avec la touche F5) dans le naviguateur pour apercevoir la nouvelle mise en page.

1.3 Le code source d’une page web

La connaissance du HTML et du CSS vous permettra de comprendre et de naviguer dans le code source du page web. L’ensemble des navigateurs web modernes proposent des outils d’inspection du code source des pages web.

L’inspecteur de code source permet d’explorer le code source d’une page web. Il permet l’identification des balises, des classes, des identifiants et des styles associés aux éléments, et ainsi de procéder à une extraction ciblée de données. En utilisant l’inspecteur de code source, vous accédez à toutes les informations nécessaires pour concevoir un script de collecte automatisée.

Pour y accéder, cliquez-droit n’importe où sur la page web ouverte dans un naviguateur, puis cliquez sur “Inspecter” :

Avec Google Chrome :

Avec Mozilla FireFox :

L’inspecteur s’ouvre et en utilisant l’outil de sélection (entouré en rouge), il donne la possibilité de naviguer dans le code source en survolant les différents éléments de la page, et vice versa.

Vous pouvez déplier le code source pour l’explorer en profondeur. Cet article est une page HTML dans laquelle l’ensemble de la partie “2. Bases techniques” semblent contenu dans une div ayant pour identifiant "bases-techniques" :

En réalisant un clic-droit sur un élément, vous pouvez récupérer plusieurs choses. Cliquez sur copier :

Ainsi, vous pouvez récupérer aisément :

l’intérieur du HTML (c’est-à-dire le contenu de la balise sélectionnée : l’intérieur du HTML de <div id="abc" class="foo"><strong>TEXTE</strong></div> est <strong>TEXTE</strong>)
l’exterieur du HTML (c’est-à-dire l’ensemble de la balise sélectionnée : l’extérieur du HTML de <div id="abc" class="foo"><strong>TEXTE</strong></div> est <div id="abc" class="foo"><strong>TEXTE</strong></div>)
Le sélecteur CSS (ex : #bases-techniques)
Le chemin CSS (ex : html body.preload div#content div#main div#bases-techniques.section.level1
Le Xpath (ex : //*[@id="bases-techniques"])

XPath est un acronyme qui signifie “XML Path Language”. Il s’agit d’un langage de requête utilisé pour naviguer et interroger des documents XML ou HTML. XPath est ainsi utilisé pour sélectionner des éléments spécifiques d’une page web.

Ces trois derniers éléments pourront vous être précieux pour automatiser votre collecte. Par exemple, le sélecteur CSS #bases-techniques h2 permet de cibler tous les titres de niveau 2 présents dans l’élément div ayant pour identifiant “bases-techniques”.

1.4 Les appels réseaux d’une page web

Quand on souhaite réaliser une collecte d’éléments redondants sur une page web, par exemple sur des sites présentant de nombreux éléments structurés de la même manière (pages de sites d’annonce, catalogues de médias, etc.), il peut être utile de chercher à comprendre le fonctionnement interne de la page web.

Pour cela, une méthode préalable consiste à observer ce qui se passe quand une page web est chargée, de manière à essayer de repérer des éléments structurés (données json par exemple) qui seraient chargées ou requêtées lors de l’interrogation de la page.

Il s’agit donc d’observer les appels qu’une page émet lors de son chargement, par exemple pour récupérer des images, des polices, des bibliothèques de mise en page (CSS, javascript, etc.).

On peut réaliser cette opération, dans l’inspecteur, en observant l’onglet “Réseaux” (ou Network dans Chrome) après avoir actualisé la page :

Dans cet exemple d’inspection de cette même page, on constate que l’ouverture de la page de cet article déclenche :
1. L’ouverture de la page à proprement parler (format html dans la colonne Type)
2. Le chargement de la bibliothèque de fonctions MathJax.js (format js) qui permettent de mettre en forme des équations dans des pages HTML
3. La tentative de chargement de la “favicon” du site, c’est-à-dire de l’icône qui devrait s’afficher dans le titre de l’onglet. Comme cette icône n’existe pas, la page essaie de la charger depuis d’autres emplacements (3 derniers appels), sans succès.

La première étape du webscraping consiste ainsi à analyser le code source de la page et du site web ciblé, afin de trouver le chemin ou l’emplacement exacte des informations que l’on souhaite récupérer. Plus un site présente du code HTML correctement structuré et optimisé, plus la collecte automatisé de données sera facilitée.

2 Présentation du cas pratique

2.1 Le site web ScrapImmob

Pour cette introduction au web scraping avec R, nous proposons une mise en pratique sur un site web de démonstration crée pour l’occasion : ScrapImmob. Ce site compile 1000 annonces fictives de ventes immobilères de maisons et d’appartements.

URL : https://analytics.huma-num.fr/Robin.Cura/ScrapImmob/index.html

L’intégralité des biens présentés ainsi que les images associées ont été générés par différents modèles d’intelligence artificielle. Toutes les informations affichées sont donc complétement fictives. Toute ressemblance avec une annonce existante ou ayant existé serait purement fortuite et ne pourrait être que le fruit d’une pure coïncidence.

Comme n’importe quel site d’annonces immobilières, ScapImmob recense des annonces de ventes de maisons ou d’appartements dans dix départements français : l’Essonne, l’Eure, les Hauts-de-Seine, Paris, la Seine-Maritime, la Seine-Saint-Denis, la Seine-et-Marne, le Val d’Oise, le Val de Marne et les Yvelines.

Une exploration rapide du site nous permet d’observer que chaque annonce contient les informations suivantes :

des photographies,
un titre,
une description,
des caractèristiques techniques (surfaces, prix, nombre de pièces, etc.),
Une localisation (commune et carte interactive).

Pour automatiser la collecte de ces informations, nous devons inspecter le code source du site pour déterminer la localisation précise de ces différents éléments. Dans quelles balises se trouvent-il ? Quels sont les identifiants ou classes des différentes balises ? ect.

2.2 Exploration du code source

Pour scrapper, il est important de comprendre comment le site web est construit pour être capacité de cibler les bons élements lors du scrapping. Après avoir navigué sur ScrapImmob de manière classique, nous pouvons donc commencer à explorer son code source. Pour cela, nous allons utiliser l’inspecteur de code pour comprendre comment les élément sont organisés dans la page et détécter les noms de balises, de classes, d’identifiants et les styles associés aux différents éléments..

2.3 Défintion des objectifs

Avant de se lancer dans une collecte automatisée, il est primordiale de bien définir ses objectifs et de déterminer précisément quelles informations on souhaite récupérer. L’exploration du code source nous permettra ensuite d’estimer le niveau de difficulté et de choisir une méthode optimisée.

Pour cette introduction, notre objectif est de récupérer une partie de la base de données (un département) des biens mis en vente sur ScrapImmob, incluant l’ensemble des caractèristiques de description. La récupération des coordonnées géographiques affichées dans la carte intéractive est également souhaitée.

Pour répondre a cet objectif, le processus de collecte va se dérouler en plusieurs étapes :

Comprendre la structure de la page centrale (ou page d’acceuil).
Comprendre le système d’URL du site afin de pouvoir cibler la collecte sur une catégorie (département et type).
Trouver où récupérer les URLs de chaque page d’annonce ciblée, puis les collecter.
Comprendre la structure des pages d’annonces et localiser les informations à récupérer dans le code source.
Collecter l’ensemble des caractèristiques de chaque bien à partir de la liste des URL récupérées.
Collecter les coordonnées géographiques affichées dans la carte interactive pour tous les biens ciblés.

3 Mise en pratique

3.1 Les packages de scraping

Comme pour toutes les opérations et manipulations de données, plusieurs solutions existent pour le scraping avec le langage R. Si plusieurs fonctions R-base peuvent être utilisées, il existe surtout deux packages R de référence en matière de collecte automatisée :

rvest : développé par Hadley Wickham (Rstudio), ce package facilite le scraping en utilisant les sélecteurs CSS et XPath pour extraire les données formatées en HTML ou en XML. Ce package s’insprire de bibliothèque python déjà existantes : Beautiful Soup et RoboBrowser. rvest fait partie de l’écosystème tidyverse, les fonctions peuvent s’utiliser avec le(s) pipe(s). Ce package est simple d’utilisation mais également limité en matière de fonctionnalité. Il ne permet pas de simuler des actions d’un utilisateur (clic, scroll…). On l’utilisera essentiellement pour l’extraction de données de sites web statiques bien structurée.
Rselenium : ce package est ce qu l’on appelle un bindings de langage (“liaison”) qui permet d’utiliser les fonctionnalités de Selenium 2.0 WebDriver. Ce framework web permet d’automatiser les tests d’applications Web en simulant des utilisateurs. Selenium 2.0 WebDriver peut aussi être utilisé pour la collecte automatisée de données sur des sites web dynamiques, nécessitant une interaction utilisateur (exécution de code javascript généré par clic, survol, scroll…)

Le site web ScrapImmob est un site web statique. Il n’existe pas de base de données, toutes les informations affichées sont présentes dans le code source de la page. Il n’est donc pas necessaire de simuler le comportement d’un utilisateur pour accéder aux données ciblées. Dans ce cas, il sera donc plus simple et préférable d’utiliser le package rvest.

3.2 Le package `rvest`

Le package rvest permet de naviguer à travers la structure HTML des pages web, extraire du texte, des tableaux, des images et d’autres éléments, et les convertir en données structurées directement exploitables dans R.

Installez le package, puis chargez la librairie.

install.packages("rvest")
library(rvest)

3.2.1 Mode de fonctionnement

Commençons par explorer les principales fonctions du package rvest à partir d’un extrait du code source du site web ScrapImmob. Pour cela, nous pouvons utiliser la fonction minimal_html() qui permet de créer un contenu HTML (XML) requêtable à partir d’un contenu HTML fourni dans une chaîne de caractère.

basic_html <- minimal_html("<div class='card-body'>
                              <a href='annonces/IDF_0078.html' class='stretched-link'></a>
                              <p class='card-text'>Maison charmante de 96 m² avec grand jardin à Châtenay-Malabry</p>
                            </div>")

class(basic_html)

[1] "xml_document" "xml_node"

Les fonctions read_element() ou read_elements() permettent respectivement la récupération du 1er ou de tous les élements d’un document HTML, en précisant un sélécteur CSS ou un Xpath.

# Récupérer toutes les balises <p> du document :
basic_html %>% html_elements("p")

{xml_nodeset (1)}
[1] <p class="card-text">Maison charmante de 96 m² avec grand jardin à Châten ...

La fonction html_attr() permet l’extraction des valeurs d’attributs.

# Récupérer le ou les URL(s) indiquée(s) dans l'attribut href
basic_html %>% html_elements("a") %>% html_attr("href")

[1] "annonces/IDF_0078.html"

Les fonctions html_text() ou html_text2() permettent d’extraire uniquement le texte d’un élément

# Récupérer le contenu textuel d'une balise
basic_html %>% html_elements("p") %>% html_text2()

[1] "Maison charmante de 96 m² avec grand jardin à Châtenay-Malabry"

3.3 Le système d’URL

Présentation système URL
choix du sous corpus à scrapper. -> détécter l’URL de la page de sous séléction dans le code source

3.3.1 Récupération des URL ciblées

Maintenant, nous allons nous exercer sur la première page du site ScrapImmob. Nous récupérons le code de la page à l’aide de la fonction read_html :

# Stockage de l'URL 
urlannonce <- "https://analytics.huma-num.fr/Robin.Cura/ScrapImmob/"

#Lecture de l'URL
page <- read_html(urlannonce)

Notre 1ère objectif est de récupérer les URLs des biens immobiliers de cette première page de ScrapImmob.

#Récupérer les url des biens immobiliers de la 1ère page
page %>% html_elements("div:nth-child(1) > div:nth-child(3) > a:nth-child(1)") %>% html_attr("href")

 [1] "annonces/IDF_0078.html"       "annonces/IDF_0049.html"      
 [3] "annonces/IDF_0057.html"       "annonces/IDF_0200.html"      
 [5] "annonces/Normandie_0255.html" "annonces/IDF_0275.html"      
 [7] "annonces/IDF_0121.html"       "annonces/Normandie_0416.html"
 [9] "annonces/Normandie_0105.html" "annonces/IDF_0134.html"      
[11] "annonces/IDF_0238.html"       "annonces/Normandie_0029.html"
[13] "annonces/Normandie_0011.html" "annonces/IDF_0379.html"      
[15] "annonces/IDF_0287.html"       "annonces/Normandie_0062.html"
[17] "annonces/Normandie_0252.html" "annonces/Normandie_0398.html"

3.3.2 Scraping des URLs de tous les biens immobiliers

#Récupérer les url des biens immobiliers de la 1ère page

extraire_liens <- function(url) {
  page <- read_html(url)
  liens <- page %>% html_elements("div:nth-child(1) > div:nth-child(3) > a:nth-child(1)") %>% html_attr("href")
  return(liens)
} 

#Récupérer le nombre de pages
nombre_de_pages <- 5

# Liste pour stocker tous les liens
liste_de_liens <- list()

#Boucle
for (i in 1:nombre_de_pages) {
  url_page <- paste0(urlannonce, "?page=", i)
  liens_page <- extraire_liens(url_page)
  
  # Faire quelque chose avec les liens extraits (imprimer, stocker, etc.)
  liste_de_liens <- c(liste_de_liens, liens_page)
}

liste_de_liens[[1]]

[1] "annonces/IDF_0078.html"

3.3.3 Scraping d’éléments d’une page d’annonce immobilière

Travaillons maintenant sur la 1ère annonce immobilière de cette liste

#Récupérer l'URL de la 1ère annonce
urlannonce1 <- paste0("https://analytics.huma-num.fr/Robin.Cura/ScrapImmob/",liste_de_liens[1])

#Lire la page 
pageannonce1 <- read_html(urlannonce1)

#Récupérer l'élément titre 
pageannonce1 %>% html_element(".display-6") %>% html_text2()

[1] "Maison charmante de 96 m² avec grand jardin à Châtenay-Malabry"

#Récupérer de l'URL de la 1ère image
image_url <- pageannonce1  %>% 
           html_element("img") %>%  # Sélectionner tous les éléments 'img'
  html_attr("src")

3.4 Scraping de la base de données sur Paris

3.4.1 Création de la liste des annonces à scrapper

Nous souhaitons maintenant obtenir une base de données complète des biens immobiliers qui contient un ensemble d’informations sur Paris.Pour ça, il nous faut la liste des urls des biens.

#METTRE ICI LE CODE QUI PERMET DE RECUPERER LA LISTE DES BIENS SUR PARIS

3.4.2 Fonctions nécessaires au scraping

Nous allons créer un ensemble de fonction qui nous permettent de scrapper ces éléments.

#Fonction d'extraction du titre court 
extraire_titrec <- function(url) {
  titre <- page %>% html_elements(".display-6)") %>% html_text2()
  return(titre)
} 

#Fonction d'extraction du titre long 
extraire_titrel <- function(url) {
  element <- page %>% html_elements("h5.card-title:nth-child(1)") %>% html_text2()
  return(element)
} 

#Fonction d'extraction de la description 
extraire_description <- function(url) {
  element <- page %>% html_elements(".card-text") %>% html_text2()
  return(element)
} 

#Fonction d'extraction du type 
extraire_type <- function(url) {
  element <- page %>% html_elements("ul.list-group > li:nth-child(1) > strong:nth-child(2)") %>% html_text2()
  return(element)
} 


#Fonction d'extraction du nombre de chambres 
extraire_chambres <- function(url) {
  element <- page %>% html_elements("ul.list-group > li:nth-child(2) > strong:nth-child(2)") %>% html_text2()
  return(element)
} 

#Fonction d'extraction du nombre de salle de bains
extraire_chambres <- function(url) {
  element <- page %>% html_elements("li.list-group-item:nth-child(3) > strong:nth-child(2)") %>% html_text2()
  return(element)
} 

#Fonction d'extraction du nombre de la surface habitable
extraire_surf <- function(url) {
  element <- page %>% html_elements("li.list-group-item:nth-child(4) > strong:nth-child(2)") %>% html_text2()
  return(element)
} 

#Fonction d'extraction du nombre de la surface jardin
extraire_surfj <- function(url) {
  element <- page %>% html_elements("li.list-group-item:nth-child(5) > strong:nth-child(2)") %>% html_text2()
  return(element)
} 

#Fonction d'extraction du prix
extraire_prix <- function(url) {
  element <- page %>% html_elements("li.list-group-item:nth-child(6) > strong:nth-child(2)") %>% html_text2()
  return(element)
} 

#Fonction d'extraction de la commune 
extraire_commune <- function(url) {
  element <- page %>% html_elements("div.list-group:nth-child(1) > li:nth-child(1) > strong:nth-child(1)") %>% html_text2()
  return(element)
} 

#Fonction d'extraction du département
extraire_commune <- function(url) {
  element <- page %>% html_elements("div.list-group:nth-child(1) > li:nth-child(2) > strong:nth-child(1)") %>% html_text2()
  return(element)
} 


#Fonction d'extraction de la localisation 
extraire_loc <- function(url){
  element <- 
    page %>% html_elements('script') %>% # On récupère les balises de type script
                      html_text2() %>% # On en extrait le contenu
                      pluck(2) %>% # On ne garde que la 2ème balise string, qui est celle qui contient le code leaflet
                      str_extract(string = .,
                                  pattern = "var annonce_coords = \\[(\\d+\\.?\\d*\\, \\d+\\.?\\d*)\\]", # regexp qui cherche les caractères "var annonce_coords = [unNombreDecimal, unAutreNombreDecimal]" et met les deux nombres décimaux dans un groupe (les parenthèses) -> "49.224678, 1.184296"
                                  group = 1) %>% # On ne conserve que le groupe 1, donc ce qui était en parenthèse dans la regexp 
                      str_split(pattern = ',') %>% # On découpe par la virgule -> list(c("49.224678", " 1.184296"))
                      pluck(1) %>% # str_split crée une liste de vecteurs, on ne garde que le premier élément -> c("49.224678", " 1.184296")
                      str_trim() %>% # sur chaque vecteur, on enlève les espaces en début et en fin -> c("49.224678", "1.184296")
                      as.numeric() # On peut enfin les convertir en numérique, et donc récupérer la latitude puis la longitude (ordre inversé de coordonnées de leaflet)
  return(element)
}

3.4.3 Scraping de la base

Appliquons maintenant les fonctions à la liste de biens pour constituer notre base de données

3.5 Exploration de la base de données scrappées

3.5.1 Présentation de la BD scrapée

3.5.2 Répartition par type

3.5.3 Distribution par type/prix

3.5.4 Surface moyenne

3.5.5 Nuage de mot sur les description des biens

3.5.6 Carte !

Géocodage adresse + carto

3.5.7 Export

3.5.7.1 csv

3.5.7.2 Géopackage

4 Conclusion

Ouverture Le bon coin ?

Bibliographie

BARNIER, Julien, 2021. rmdformats: HTML Output Formats and Templates for ’rmarkdown’ Documents [en ligne]. S.l. : s.n. Disponible à l'adresse : https://github.com/juba/rmdformats.

R CORE TEAM, 2020. R: A Language and Environment for Statistical Computing [en ligne]. Vienna, Austria : R Foundation for Statistical Computing. Disponible à l'adresse : https://www.R-project.org/.

XIE, Yihui, 2020. knitr: A General-Purpose Package for Dynamic Report Generation in R [en ligne]. S.l. : s.n. Disponible à l'adresse : https://CRAN.R-project.org/package=knitr.

Annexes

Info session

setting	value
version	R version 4.4.0 (2024-04-24)
os	Ubuntu 22.04.4 LTS
system	x86_64, linux-gnu
ui	X11
language	(EN)
collate	fr_FR.UTF-8
ctype	fr_FR.UTF-8
tz	Europe/Paris
date	2024-04-30
pandoc	3.1.1 @ /usr/lib/rstudio/resources/app/bin/quarto/bin/tools/ (via rmarkdown)

package	ondiskversion	source
rvest	1.0.4	CRAN (R 4.4.0)

Citation

Auteur.e P, Auteur.e S (2021). “Titre de la fiche.” doi:10.48645/xxxxxx, https://doi.org/10.48645/xxxxxx,, https://rzine.fr/publication_rzine/xxxxxxx/.

BibTex :

@Misc{,
  title = {Titre de la fiche},
  subtitle = {Sous-Titre de la fiche},
  author = {Premier Auteur.e and Second Auteur.e},
  doi = {10.48645/xxxxxx},
  url = {https://rzine.fr/publication_rzine/xxxxxxx/},
  keywords = {FOS: Other social sciences},
  language = {fr},
  publisher = {FR2007 CIST},
  year = {2021},
  copyright = {Creative Commons Attribution Share Alike 4.0 International},
}

Glossaire

Le World Wide Web Consortium, abrégé par le sigle W3C, est un organisme de standardisation à but non lucratif, fondé en octobre 1994 chargé de promouvoir la compatibilité des technologies du World Wide Web telles que HTML5, HTML, XHTML, XML, RDF, SPARQL, CSS, XSL, PNG, SVG, MathML et SOAP.↩︎
HTML5 (HyperText Markup Language 5) est la dernière révision majeure du HTML (format de données conçu pour représenter les pages web). Cette version a été finalisée le 28 octobre 2014. HTML5 spécifie deux syntaxes d’un modèle abstrait défini en termes de DOM : HTML5 et XHTML5.↩︎

Premiers pas en WebScraping

Introduction à la collecte automatique de données du Web